安装Ultralytics

安装或更新 ultralytics 运行 pip install -U ultralytics.有关 ultralytics 软件包，请访问 Python 软件包索引 (PyPI).

# Install the ultralytics package from PyPI
pip install ultralytics

您还可以安装 ultralytics 直接从 Ultralytics GitHub 存储库.如果您需要最新的开发版本，这将非常有用。确保已安装 Git 命令行工具，然后运行

# Install the ultralytics package from GitHub
pip install git+https://github.com/ultralytics/ultralytics.git@main

Conda 可作为 pip 的替代软件包管理器。更多详情，请访问Anaconda。用于更新 conda 软件包的Ultralytics 原料库位于GitHub。

# Install the ultralytics package using conda
conda install -c conda-forge ultralytics

# Install all packages together using conda
conda install -c pytorch -c nvidia -c conda-forge pytorch torchvision pytorch-cuda=11.8 ultralytics

Conda Docker 映像

Ultralytics Conda Docker 映像还可从 DockerHub.这些图像基于 迷你世界3 并为开始使用 ultralytics 在 Conda 环境中。

# Set image name as a variable
t=ultralytics/ultralytics:latest-conda

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

克隆 Ultralytics GitHub 存储库 如果你有兴趣参与开发，或希望尝试最新的源代码，请复制到"...... "目录。克隆后，进入目录，以可编辑模式安装软件包 -e 使用 pip。

# Clone the ultralytics repository
git clone https://github.com/ultralytics/ultralytics

# Navigate to the cloned directory
cd ultralytics

# Install the package in editable mode for development
pip install -e .

使用 Docker 执行 ultralytics 软件包在一个隔离的容器中，确保在各种环境下性能一致。通过选择官方 ultralytics 图片来自 Docker Hub使用 Ultralytics 的 Docker 镜像，您可以避免本地安装的复杂性，并获得经过验证的工作环境。Ultralytics 提供五种主要支持的 Docker 镜像，每一种都具有很高的兼容性和效率：

• Dockerfile：推荐用于培训的GPU 镜像。
• Dockerfile-arm64：针对 ARM64 架构进行了优化，适合在 Raspberry Pi 等设备和其他基于 ARM64 的平台上部署。
• Dockerfile-cpu：基于 Ubuntu 的CPU 版本，适用于推理和没有 GPU 的环境。
• Dockerfile-jetson：专为NVIDIA Jetson设备定制，集成了针对这些平台优化的GPU 支持。
• Dockerfile-python ：仅包含Python 和必要依赖项的最小镜像，是轻量级应用和开发的理想选择。
• Dockerfile-conda： 基于 Miniconda3 和 conda 安装的 ultralytics 包装

以下是获取并执行最新映像的命令：

# Set image name as a variable
t=ultralytics/ultralytics:latest

# Pull the latest ultralytics image from Docker Hub
sudo docker pull $t

# Run the ultralytics image in a container with GPU support
sudo docker run -it --ipc=host --gpus all $t            # all GPUs
sudo docker run -it --ipc=host --gpus '"device=2,3"' $t # specify GPUs

上述命令使用最新的 ultralytics 图像图像 -it 标记分配一个伪 TTY 并保持 stdin 开启，允许与容器进行交互。标记 --ipc=host 标记将 IPC（进程间通信）命名空间设置为主机命名空间，这对进程间共享内存至关重要。进程间通信 --gpus all flag 可以访问容器内所有可用的 GPU，这对需要GPU 计算的任务至关重要。

注意：要在容器中处理本地计算机上的文件，请使用 Docker 卷将本地目录挂载到容器中：

# Mount local directory to a directory inside the container
sudo docker run -it --ipc=host --gpus all -v /path/on/host:/path/in/container $t

更换 /path/on/host 的目录路径，以及 /path/in/container 与 Docker 容器内的所需路径一致。

有关 Docker 的高级用法，请参阅《Ultralytics Docker 指南》。

您可以安装 ultralytics 使用 pip 的 --no-deps 标记。这就要求您随后手动安装所有必要的依赖项。

1. 安装 ultralytics 核心：

   pip install ultralytics --no-deps
   

2. 手动安装依赖项 您需要安装在 pyproject.toml 文件，根据需要替换或修改版本。无头 OpenCV 示例

   # Install other core dependencies
   pip install torch torchvision numpy matplotlib pandas pyyaml pillow psutil requests tqdm scipy seaborn ultralytics-thop
   
   # Install headless OpenCV instead of the default
   pip install opencv-python-headless
   

如果您需要持续的自定义修改（例如始终使用 opencv-python-headless)，你可以 forkUltralytics 软件仓库，修改 pyproject.toml 或其他代码，然后从分叉中安装。

1. 将Ultralytics GitHub 仓库 分叉到你自己的 GitHub 账户。
2. 克隆 在本地使用叉子：

   git clone https://github.com/YOUR_USERNAME/ultralytics.git
   cd ultralytics
   

3. 创建新分支 您的更改：

   git checkout -b custom-opencv
   

4. 修改 pyproject.toml: 开放 pyproject.toml 在文本编辑器中，替换包含 "opencv-python>=4.6.0" 与 "opencv-python-headless>=4.6.0" (根据需要调整版本）。
5. 提交并推送 您的更改：

   git add pyproject.toml
   git commit -m "Switch to opencv-python-headless"
   git push origin custom-opencv
   

6. 安装 使用 pip 和 git+https 语法，指向你的分支：

   pip install git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-opencv
   

此方法可确保每次从特定 URL 安装时，都会使用自定义依赖集。在 requirements.txt 锉刀

与标准的 "Git Clone "开发方法类似，你可以在本地克隆版本库，在安装前修改依赖文件，然后以可编辑模式安装。

1. 克隆 Ultralytics 资源库：

   git clone https://github.com/ultralytics/ultralytics
   cd ultralytics
   

2. 修改 pyproject.toml: 编辑文件，进行所需的更改。例如，使用 sed (Linux/macOS）或文本编辑器来替换 opencv-python 与 opencv-python-headless. 使用 sed 验证 pyproject.toml 第一）：

   # Example: Replace the line starting with "opencv-python..."
   # Adapt the pattern carefully based on the current file content
   sed -i'' -e 's/^\s*"opencv-python>=.*",/"opencv-python-headless>=4.8.0",/' pyproject.toml
   

   或手动编辑 pyproject.toml 改变 "opencv-python>=... 至 "opencv-python-headless>=...".
3. 安装 软件包的可编辑模式 (-e).现在，Pip 将使用您修改过的 pyproject.toml 来解决和安装依赖项：

   pip install -e .
   

这种方法适用于在提交依赖项或构建配置的本地变更之前对其进行测试，或用于设置特定的开发环境。

如果您使用 requirements.txt 文件中，你可以直接指定自己的Ultralytics fork。这样就能确保任何建立项目的人都能获得你的特定版本，以及修改后的依赖关系（如 opencv-python-headless).

1. 创建或编辑 requirements.txt: 添加一行指向您的自定义 fork 和分支（如方法 2 所准备的）。
   requirements.txt

   # Core dependencies
   numpy
   matplotlib
   pandas
   pyyaml
   Pillow
   psutil
   requests>=2.23.0
   tqdm
   torch>=1.8.0 # Or specific version/variant
   torchvision>=0.9.0 # Or specific version/variant
   
   # Install ultralytics from a specific git commit or branch
   # Replace YOUR_USERNAME and custom-branch with your details
   git+https://github.com/YOUR_USERNAME/ultralytics.git@custom-branch
   
   # Other project dependencies
   flask
   # ... etc
   

   注意：您不需要列出您的自定义 ultralytics 分叉 opencv-python-headless) 在这里安装，因为 pip 会根据分叉的 pyproject.toml.
2. 安装 文件中的依赖关系：

   pip install -r requirements.txt
   

这种方法可与标准Python 项目依赖关系管理工作流无缝集成，同时允许您将 ultralytics 到您自定义的 Git 源代码。

Ultralytics yolo 命令使用以下语法：

yolo TASK MODE ARGS

查看全部 ARGS 在充分 配置指南 或使用 yolo cfg CLI 指挥。

训练检测模型 10 个历元，初始学习率为 0.01：

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

在图像大小为 320 时，使用预训练的分割模型预测 YouTube 视频：

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

验证预先训练的检测模型，批量大小为 1，图像大小为 640：

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

将 YOLOv11n 分类模型导出为ONNX 格式，图像大小为 224x128（无需 TASK）：

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

使用YOLO11 计数视频或直播流中的物体：

yolo solutions count show=True

yolo solutions count source="path/to/video.mp4" # specify video file path

使用YOLO11 姿势模型监控锻炼情况：

yolo solutions workout show=True

yolo solutions workout source="path/to/video.mp4" # specify video file path

# Use keypoints for ab-workouts
yolo solutions workout kpts="[5, 11, 13]" # left side
yolo solutions workout kpts="[6, 12, 14]" # right side

使用YOLO11 对指定队列或区域中的对象进行计数：

yolo solutions queue show=True

yolo solutions queue source="path/to/video.mp4" # specify video file path

yolo solutions queue region="[(20, 400), (1080, 400), (1080, 360), (20, 360)]" # configure queue coordinates

使用Streamlit 在网络浏览器中执行对象检测、实例分割或姿态估计：

yolo solutions inference

yolo solutions inference model="path/to/model.pt" # use model fine-tuned with Ultralytics Python package

运行特殊命令可查看版本、查看设置、运行检查等：

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg
yolo solutions help

使用Python 通过导入 settings 对象的 ultralytics 模块。使用这些命令打印和返回设置：

from ultralytics import settings

# View all settings
print(settings)

# Return a specific setting
value = settings["runs_dir"]

通过命令行界面可以检查设置：

yolo settings

在Python 中，使用 update 上的 settings 反对

from ultralytics import settings

# Update a setting
settings.update({"runs_dir": "/path/to/runs"})

# Update multiple settings
settings.update({"runs_dir": "/path/to/runs", "tensorboard": False})

# Reset settings to default values
settings.reset()

使用命令行界面修改设置：

# Update a setting
yolo settings runs_dir='/path/to/runs'

# Update multiple settings
yolo settings runs_dir='/path/to/runs' tensorboard=False

# Reset settings to default values
yolo settings reset